Previsão da umidade profunda do solo baseada em IA para avaliar a consistência passada e futura dos dados da NOAA

• Guillermo Montilla Yttrium-Technology Corp., Panama City, Panama https://orcid.org/0000-0002-1777-6353
• Sergio Villazana Centre of Image Processing, Faculty of Engineering of the University of Carabobo, Valencia, Venezuela https://orcid.org/0000-0002-4495-1479
• Vicente Torres National Academy of Research and Development, Cuernavaca, Mexico. Faculty of Engineering, DICT, National Autonomous University of Mexico https://orcid.org/0009-0006-1888-8740
• Egilda Pérez Centre of Image Processing, Faculty of Engineering of the University of Carabobo, Valencia, Venezuela https://orcid.org/0000-0002-0633-8200
• Héctor Reverón Yttrium-Technology Corp., Panama City, Panama https://orcid.org/0009-0009-6142-4900
• César Seijas Centre of Image Processing, Faculty of Engineering of the University of Carabobo, Valencia, Venezuela https://orcid.org/0000-0001-6050-4436

Palavras-chave: conteúdo de umidade profunda do solo, propriedades do solo, inteligência artificial

Resumo

A modelagem precisa da umidade profunda do solo é essencial para a agricultura, especialmente em regiões onde a precipitação imprevisível impacta a saúde e a produtividade das culturas. Compreender essas dinâmicas é crucial para avaliar a vulnerabilidade à seca e promover práticas agrícolas sustentáveis. Este estudo analisou a consistência dos dados climáticos da NOAA ao longo de cinco anos, utilizando um modelo de umidade profunda do solo desenvolvido com inteligência artificial. Os objetivos foram avaliar a confiabilidade dos dados históricos e futuros da NOAA e prever a umidade do solo nas profundidades de 40 cm e 100 cm na região oeste do Panamá. O modelo de regressão CNN-BiLSTM integrou dados meteorológicos e propriedades do solo (argila, silte e areia) provenientes da NOAA e do Centro Internacional de Referência e Informação sobre Solos. Transformou esses dados em características espaciais e temporais, utilizando conjuntos de treinamento, validação e teste com dados de 2021. A capacidade de generalização do modelo foi avaliada com dados de 2019, 2020, 2022 e 2023, validando as predições com dois anos precedentes e dois anos subsequentes. Os resultados mostram que o modelo de 40 cm obteve valores de MAE, RMSE, MAPE e R² de 0.007112 m³.m^-3, 0.012662 m³.m^-3, 3,55 % e 0,97, respectivamente. O modelo de 100 cm registrou valores de 0.011019 m³.m^-3, 0.017334 m³.m^-3, 4,92 % e 0,95, respectivamente. O modelo demonstrou coerência ao longo de cinco anos, confirmando a consistência dos dados da NOAA.

Referências

Basir, M., Noel, S., Buckmaster, D., & Ashik-E-Rabbani, M. (2024). Enhancing subsurface soil moisture forecasting: A long short-term memory network model using weather data. Agriculture, 14(3), 333. https://doi.org/10.3390/agriculture14030333
Filipović, N., Brdar, S., Mimić, G., Marko, O., & Crnojević, V. (2022). Regional soil moisture prediction system based on long short-term memory network. Biosystems Engineering, 213, 30-38. https://doi.org/10.1016/j.biosystemseng.2021.11.019
Fischler, M., & Bolles, R. (1981). Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography. Communication of the ACM, 24(6), 381-395. https://doi.org/10.1145/358669.358692
Geng, Q., Yan, S., Li Q., & Zhang, C. (2024). Enhancing data-driven soil moisture modeling with physically-guided LSTM networks. Frontiers in Forests and Global Change, 7, 1-12. https://doi.org/10.3389/ffgc.2024.1353011
Han, H., Choi, C., Kim, J., Morrison, R., Jung, J., & Kim, H. (2021). Multiple-Depth soil moisture estimates using artificial neural network and long short-term memory models. Water, 13(8), 2584. https://doi.org/10.3390/w13182584
Ministerio de Ambiente de Panamá. (2020). Cuarta comunicación nacional sobre cambio climático de Panamá ante la Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC). Ministerio de Ambiente; Programa de las Naciones Unidas para el Desarrollo. https://transparencia-climatica.miambiente.gob.pa/wp-content/uploads/2023/08/4CNCC_2023_L.pdf
Munro, R., Lyons, W. F., Shao, Y., Wood, M., Hood, L. M., & Leslie, L. (1998). Modeling land surface-atmosphere interactions over the Australian continent with an emphasis on the role of soil moisture. Environmental Modeling and Software, 13(3-4), 333-339. https://doi.org/10.1016/s1364-8152(98)00038-3
Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta, S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D. G., Piles, M., Rodríguez-Fernández, N., Zsoter, E., Buontempo, C., & Thépaut, J. (2021). ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13(9), 4349-4383. https://doi.org/10.5194/essd-13-4349-2021
National Centers for Environmental Prediction. (2015). NCEP GDAS/FNL 0.25 Degree Global Tropospheric Analyses and Forecast Grids. rda.ucar.edu at the National Center for Atmospheric Research, Computational and Information Systems Laboratory. https://doi.org/10.5065/D65Q4T4Z
O'Malley, T., Bursztein, E., Long, J., Chollet, F., Jin, H., Invernizzi, L., & others. (2019). KerasTuner [Software]. GitHub. https://github.com/keras-team/keras-tuner
Pan, F., Nieswiadomy, M., & Shuan, Q. (2015). Application of a soil moisture diagnostic equation for estimating root-zone soil moisture in arid and semi-arid regions. Journal of Hydrology, 524, 296-310. https://doi.org/10.1016/j.jhydrol.2015.02.044
Poggio, L., de Sousa, L., Batjes, N., Heuvelink, G., Kempen, B., Ribeiro, E., & Rossiter, D. (2021). SoilGrids 2.0: producing soil information for the globe with quantified spatial uncertainty. SOIL, 7(1), 217-240. https://doi.org/10.5194/soil-7-217-2021
Thenkabail, P., Knox, J., Ozdogan, M., Gumma, M., Congalton, R., Wu, Z., Milesi, C., Finkral, A., Marshall, M., Mariotto, I., You, S., Giri, C., & Nagler, P. (2016). NASA Making Earth System Data Records for Use in Research Environments (MEaSUREs) Global Food Security Support Analysis Data (GFSAD) Crop Dominance 2010 Global 1 km V001 [Data set]. NASA EOSDIS Land Processes Distributed Active Archive Center. https://doi.org/10.5067/MEaSUREs/GFSAD/GFSAD1KCD.001
Tong, Y., Wang, Y., Song, Y., Sun, H., Sun, H., & Xu, Y. (2020). Spatiotemporal variations in deep soil moisture and its response to land-use shifts in the Wind-Water erosion crisscross region in the critical zone of the loess Plateau (2011-2015), China. Catena, 193, 104643. https://doi.org/10.1016/j.catena.2020.104643
Wang, A., Liu, B., Wang, Z., & Liu, G. (2016). Monitoring and predicting the soil water content in the deeper soil profile of loess Plateau, China. International Soil and Water Conservation Research, 4(1), 6-11. https://doi.org/10.1016/j.iswcr.2016.02.001
Yu, J., Tang, S., Zhangzhong, L., Zheng, W., Huang, C., Wang, L., Wong, A., & Xu, L. (2020). A deep learning approach for multi-depth soil water content prediction in summer maize growth period. IEEE Access, 8, 199097-199110. https://doi.org/10.1109/access.2020.3034984